Question-Answering (RAG)

大型语言模型最常见的应用场景之一是基于一组数据回答问题。这些数据通常以非结构化文档（如PDF、HTML）的形式存在，但也可能是半结构化或结构化的。

实现大型语言模型问答的主流框架是检索增强生成(RAG)。LlamaIndex提供从基础到高级的RAG技术，用于处理不同体量和数据类型下的简单到复杂问题。您可以选择使用我们预构建的RAG抽象组件（例如查询引擎），或构建自定义RAG工作流（示例指南）。

LlamaIndex 能够提取非结构化文本、PDF、Notion和Slack文档等内容，并对其中的数据进行索引。

最简单的查询涉及语义搜索或摘要生成。

• 语义搜索: 在文档中查询与搜索词和/或语义意图匹配的特定信息。这通常通过简单的向量检索（top-k）来执行。语义搜索示例
• 摘要生成: 将大量数据压缩成与您当前问题相关的简短摘要。摘要生成示例

如果你的数据已存在于SQL数据库、CSV文件或其他结构化格式中，LlamaIndex可以查询这些来源中的数据。这包括文本转SQL（自然语言转SQL操作）以及文本转Pandas（自然语言转Pandas操作）。

• 文本转SQL指南
• 文本转Pandas指南

随着您扩展到更复杂的问题/更多数据，LlamaIndex中有许多技术可以帮助您实现更好的查询理解、检索和数据源集成。

• 查询复杂文档: 通常您的文档表示形式很复杂 - 您的PDF可能包含文本、表格、图表、图像、页眉/页脚等。LlamaIndex提供与我们的专有文档解析器LlamaParse集成的高级索引/检索功能。完整教程手册请见此处。
• Combine multiple sources: is some of your data in Slack, some in PDFs, some in unstructured text? LlamaIndex can combine queries across an arbitrary number of sources and combine them.
  • 组合多个来源的示例
• Route across multiple sources: given multiple data sources, your application can first pick the best source and then “route” the question to that source.
  • 跨多源路由示例
• Multi-document queries: some questions have partial answers in multiple data sources which need to be questioned separately before they can be combined
  • 多文档查询示例
  • 基于LlamaIndex文档构建多文档智能体 - 文本转SQL

LlamaIndex 拥有大量关于问答/检索增强生成（RAG）的资源。以下是一些可供参考的核心资源指南。

我是RAG初学者，想学习基础知识：请查看我们的“学习”系列指南。

我已经构建了RAG，现在想要优化它：请查看我们的“进阶主题”指南。

我水平更高，想要构建自定义的RAG工作流：使用LlamaIndex 工作流来组合高级的智能体式RAG管道，例如这个校正型RAG工作流。

我想全面了解某个特定模块：以下是核心模块指南，帮助构建从简单到高级的问答/检索增强生成系统：

• 查询引擎
• 聊天引擎
• 智能体

如需查看更多问答用例示例，请参阅我们的综合应用中的问答部分。